II.2Создание и понимание программного кода

BlazerApex V3.5 — дообученная модель автора Davizig10jojo для бразильского португальского языка. Она предназначена для генерации ответов в диалоге, структурированных рассуждений и решения вопросов вступительных экзаменов; также обучалась на примерах, связанных с бразильской культурой, безопасностью и кодом. Модель содержит 2,2 млрд параметров, использует плотную архитектуру семейства Llama и поддерживает контекст до 131 072 токенов. По описанию обучения, исходные веса линейно объединены из sriq-MiniCPM5-2B-v1.5 и BlazerApex-2B-v2, затем модель дообучена методом SFT с LoRA на EduBench, ручных исправлениях и повторном использовании данных предыдущей версии; адаптер слит с базовой моделью. В README приведены ограниченные тесты на арифметику, код и факты о Бразилии: результаты неоднородны, поэтому они не подтверждают широкую надёжность модели. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Известные ограничения — галлюцинации в фактах о Бразилии, нестабильная идентичность и возможный вывод остаточных служебных тегов.

Gemma-4-31B-it-abliterated-heretic-AWQ-W4A16 — мультимодальная производная модель, опубликованная alonsoko на базе trohrbaugh/gemma-4-31b-it-heretic-ara, которая, в свою очередь, основана на Google Gemma 4 31B Instruct. Модель принимает текст и изображения, а генерирует текст; она предназначена для исследований, экспериментов и тестирования в задачах рассуждения, программирования, анализа изображений и диалогового взаимодействия. Базовая архитектура — плотная модель размером 31 млрд параметров с поддержкой режима рассуждений, function calling и контекстом до 256K токенов. Языки в карточке не указаны. Модель подвергнута abliteration с использованием Heretic ARA: встроенные защитные ограничения намеренно удалены, поэтому она может генерировать вредный, оскорбительный или иной нежелательный контент и не рекомендуется для производственных или пользовательских систем. Применена AWQ-квантизация W4A16 с group size 128: линейные слои языковой части используют 4-битные веса и 16-битные активации, а мультимодальные компоненты и LM head сохранены в полной точности. Размер весов составляет около 19 ГБ; для стандартной работы рекомендуется GPU с 24 ГБ VRAM, а для длинного контекста и пакетной обработки — 48 ГБ и более. Поддерживается запуск через vLLM с образом для Gemma 4, однако качество на длинном контексте после квантизации отдельно не проверялось. Лицензия — Apache-2.0; ответственность за безопасное и законное использование возлагается на пользователя.

Philadelphia Class — производная модель KridgeDookie на основе google/gemma-4-E4B-it, полученная редактированием весов для снижения частоты отказов. Это плотная мультимодальная модель семейства Gemma 4 с архитектурой Gemma4ForConditionalGeneration и примерно 7,94 млрд параметров; опубликована в формате BF16 Safetensors и лицензирована по Apache-2.0. По заявлению автора, на проверенной текстовой тестовой батарее результаты оставались близки к исходной модели, а доля отказов снизилась на внутреннем наборе запросов. Модель предназначена для исследований поведения отказов и редактирования моделей, контролируемого red-team-тестирования, интерпретируемости, творческого письма, программирования и генерации текста. Она сохраняет мультимодальную архитектуру Gemma 4, однако после редактирования проверялись только текстовые сценарии; работу с изображениями и аудио автор не валидировал. Модификация намеренно повышает готовность отвечать на вредоносные запросы, поэтому модель может выдавать опасные инструкции и не подходит для публичного ассистента без независимых средств модерации и контроля.

GPT_OSS_20B_ArduinoExpert_v4_GGUF — специализированная дообученная модель на базе openai/gpt-oss-20b для помощи с прототипированием на Arduino, встроенным C++ и проектированием электронных схем. Она предназначена для разработчиков, студентов и энтузиастов: может объяснять подключение плат и датчиков, писать и разбирать код для Arduino и ESP32, а также помогать находить ошибки компиляции и типичные проблемы с оборудованием. Модель построена на архитектуре GPT-OSS с механизмом MoE, имеет контекстное окно 131 072 токена и распространяется в формате GGUF с квантизацией MXFP4. В карточке заявлена поддержка английского, итальянского, французского, испанского и немецкого языков; преимущественно при дообучении использовались английские и итальянские технические данные. Лицензия — Apache-2.0. Ответы о подключении оборудования могут содержать ошибки: проверяйте их по документации и измерениями; модель не предназначена для проектов с сетевым напряжением.

HOMURA 30B — модель HYRE, предназначенная для автономных агентов и сценариев с вызовом инструментов. Это не модель, обученная с нуля, а производная от Meta Muse Glimmer 30B: поверх community-версии darkc0de/Muse-Glimmer-30B-heretic применён LoRA-тюнинг HYRE, после чего модель была объединена и квантована в формат GGUF. Тюнинг выполнен только для языковой башни, а vision tower сохранена. Модель ориентирована на английский язык, генерацию текста, агентное планирование, использование инструментов и работу в долгих цепочках взаимодействия; заявленный нативный контекст составляет 131 072 токена. Доступная сборка Homura-30B-Q4_K_M.gguf имеет размер 16,9 ГБ и рассчитана на запуск через llama.cpp, LM Studio или Ollama; для Muse Glimmer требуется llama.cpp не ниже b10353 и шаблон --jinja. Сильной стороной является специализированное обучение под собственный протокол вызова инструментов, включая последовательное разрешение идентификаторов и получение котировки перед операцией обмена; для надёжности рекомендуется температура не выше 0,3. Ограничения включают зависимость от точного системного промпта и протокола HOMURA, ухудшение выбора инструментов при более высокой температуре, отсутствие встроенной фильтрации, а также риск неточных или нежелательных ответов. Модель не предназначена для решений, критичных с точки зрения безопасности, и требует собственных защитных механизмов. Лицензия Apache 2.0, унаследованная от базовой модели, с сохранением атрибуции Meta и darkc0de.

Llama-3-Alpha-Centauri-v0.1-GGUF — квантизированная версия модели Llama-3-Alpha-Centauri-v0.1, разработанная fearlessdots и преобразованная в формат GGUF с использованием llama.cpp. В основе лежит Meta Llama 3 8B Instruct Abliterated v3 от failspy; к базовой модели применён и слит LoRA-адаптер. Модель предназначена для исследовательских экспериментов с генерацией текста, включая задачи по STEM, компьютерным наукам и программированию, социальным наукам, рассуждению, логической дедукции, критическому мышлению и анализу. В карточке также указан датасет NobodyExistsOnTheInternet/ToxicQAFinal. Ключевая характеристика модели — экспериментальная, намеренно менее ограниченная настройка поведения, поэтому она может генерировать широкий спектр ответов, включая потенциально токсичный или спорный контент. Квантизация и формат GGUF ориентированы на запуск через совместимые инструменты llama.cpp, однако конкретный вариант квантизации, требования к памяти, поддерживаемые языки и размер контекстного окна в README не указаны. Эффективность модели может быть нестабильной и требует самостоятельной проверки. Модель распространяется по лицензии llama3. README указывает, что серия Centaurus создана исключительно для исследований; пользователь самостоятельно отвечает за интерпретацию результатов, использование модели, соблюдение законодательства и возможные негативные последствия. Модель не следует применять для незаконных целей.

LLM Compiler 13B — разработанная Meta авторегрессионная языковая модель на базе Code Llama с архитектурой Transformer. Эта базовая версия содержит 13 млрд параметров; модель обучалась на LLVM IR, ассемблерном коде x86_64, ARM и CUDA, чтобы предсказывать эффект проходов оптимизации LLVM и генерировать текстовое представление кода. Модель предназначена для анализа и оптимизации кода: она может оценивать, как последовательность проходов `opt` повлияет на размер и результат LLVM-кода, а также воспроизводить оптимизированный вывод компилятора. Вариант LLM Compiler FTD отдельно дообучен для подбора проходов оптимизации и преобразования ассемблера в LLVM IR; эти возможности описаны для семейства, но данный репозиторий содержит базовую модель. Контекстное окно — 16 000 токенов; вход и выход — текст. Модель рассчитана на английский язык, LLVM IR и ассемблерные представления. README отмечает ограничения точности и необходимость тестирования в целевом приложении. Доступ регулируется лицензией LLM Compiler от Meta и политикой допустимого использования; для получения доступа требуется предоставить Meta контактные данные.

Occult Nail 1.0 — это локальная GGUF-версия модели Qwen3.6-35B-A3B, опубликованная Saga Ishtardottir под идентификатором peculiar-ragdoll/Occult-Nail-1.0-35B-A3B-GGUF. Модель создана на основе Heretic-abliterated Qwen3.6-35B-A3B от llmfan46 и подвергнута динамической квантизации UD с использованием llama.cpp. Это MoE-модель с поддержкой текста и изображений; для визуального ввода поставляется дополнительный mmproj. Заявлены английский и китайский языки, однако размер контекстного окна в README не указан. Модель ориентирована на быстрые ответы, агентное программирование, работу с инструментами и сценарии, где важны краткость и минимальное число отказов. По приведённым измерениям, она сохраняет близкую к исходной точность на MMLU-Pro, отвечает быстрее базовой модели, но уступает ей и исходной Nail в отдельных задачах рассуждения и агентной кибербезопасности. Abliteration устраняет стандартные отказы, включая отказы на потенциально опасные запросы, поэтому модель требует особенно осторожного применения и не предназначена для некритичного использования в качестве универсального программиста или экспертной системы. Доступны варианты квантизации от Q2_K_XL до Q8_K_XL для запуска через llama.cpp. Модель распространяется по лицензии Apache-2.0. README не содержит точных требований к оборудованию, ограничений контекстного окна или подробной оценки качества по широкому набору задач.

QuantFactory/Qwen2.5-0.5B-GGUF — это квантизированная версия базовой языковой модели Qwen2.5-0.5B, созданная QuantFactory с использованием llama.cpp на основе модели Qwen Team. Модель предназначена для генерации текста, а также последующего дообучения, например с помощью SFT, RLHF или продолжения предобучения. Базовая версия не рекомендуется для непосредственного использования в диалогах без дополнительного обучения. Модель относится к каузальным языковым моделям и использует архитектуру Transformer с RoPE, SwiGLU, RMSNorm, смещениями в QKV-внимании и связанными матрицами эмбеддингов. Она содержит около 0,49 млрд параметров, 24 слоя и механизм GQA с 14 головами для Q и 2 для KV; заявленная длина контекста — до 32 768 токенов. Исходная серия поддерживает более 29 языков, включая английский, китайский, русский и другие, а также улучшена для задач кодирования, математики, работы со структурированными данными и генерации структурированных ответов. К сильным сторонам относятся небольшой размер, поддержка многоязычной генерации, улучшенные возможности работы с кодом, математикой и JSON, а также формат GGUF, ориентированный на запуск через совместимые инструменты llama.cpp. Ограничения включают базовый статус модели, необходимость дополнительного постобучения для качественного следования инструкциям и отсутствие в README точных сведений о конкретном формате квантования, размере файла и показателях производительности. Модель распространяется по лицензии Apache-2.0.

NoobifiedAIDept разработал эту модель на базе Qwen2.5-Coder-3B-Instruct-bnb-4bit, дообучив её на документации Roblox Creator Hub без медиафайлов. Это плотная языковая модель Qwen2 для генерации текста и кода, ориентированная на вопросы и задачи по разработке в Roblox, в том числе на Luau. Модель содержит 3,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов; в метаданных указан английский язык. Веса опубликованы в формате safetensors по лицензии Apache-2.0. Автор сообщает, что модель не прошла проверку качества и может галлюцинировать или выдавать некорректный код, в том числе путать LocalScript и взаимодействие между клиентом и сервером. Поэтому результаты следует проверять, особенно перед использованием в проекте Roblox. Автор также отмечает, что GGUF-версии нет.

Qwen3-8B-Critic-SFT — языковая модель-критик на базе Qwen3-8B, разработанная для сопровождения кодирующих агентов. Через заданные интервалы она анализирует историю действий агента и выдаёт краткую структурированную критику: отмечает категории ошибок и подтверждающие их признаки, предлагает шаг восстановления, указывает статус задачи и даёт общую рекомендацию. Модель помогает направлять агента, но не предназначена для написания исправляющего патча. Модель представляет собой плотную Qwen3ForCausalLM с 7,6 млрд параметров и контекстом 40 960 токенов. Она дообучена полным SFT на 6 447 примерах критики для траекторий двух кодирующих агентов; обучение использовало Python-задачи и формат mini-swe-agent. В README сообщается об улучшении доли решённых задач при подключении критика к нескольким агентам на SWE-bench Verified и Multi-SWE-bench. Модель рассчитана на англоязычные текстовые траектории разработки ПО. Её оценивали как вспомогательного критика для других агентов, а не как автономного кодера; надёжность рекомендаций ограничена обучающим распределением и качеством оценок учителя. Лицензия — Apache-2.0.

Qwen3.8-Flash-Next-MTP-PR27836-GGUF — это квантизированный GGUF-компонент для модели Qwen3.8-Flash-Next, разработанной командой Qwen. Репозиторий содержит MTP (NextN) draft head, предназначенную для ускорения спекулятивной генерации в llama.cpp через режим --spec-type draft-mtp. Это не самостоятельная полноразмерная модель: head необходимо присоединить к совместимому split GGUF основной модели с помощью поставляемого скрипта graft-mtp-shard.py. Компонент рассчитан на генерацию текста, кода и структурированных ответов при использовании llama.cpp и сборки из PR #27836. Head экспортирован в формате GGUF с типом данных q8_0 и содержит один MTP-блок; его размер составляет около 4,1 ГБ, а дополнительное потребление памяти — примерно 3,5 GiB. README не указывает полный размер, языки, исходную архитектуру и модальности базовой модели. Совместимость строго ограничена PR #27836 и соответствующим layout тензоров; другие MTP-heads для этой модели несовместимы. По приведённым измерениям на Apple M5 Max прирост скорости особенно заметен для кода и структурированного вывода — около 30–40%, тогда как для обычной прозы производительность примерно нейтральна. При этом спекулятивное декодирование не гарантирует побитово идентичный результат обычной жадной генерации, протестировано только на Metal, а layout PR может измениться до слияния. Использование зависит от лицензии qwen-community-1.0; веса производны от Qwen3.8-Flash-Next и подчиняются его лицензии.

Qwen3.8-Flash-Next-Uncensored-FP8 — модифицированная версия Qwen3.8-Flash-Next, опубликованная OrcaRouter. Модель создана для исследовательских задач: интерпретируемости, изучения механизмов отказа, AI safety, red-teaming, оценки устойчивости и контролируемых экспериментов. В ней удалено направление, связанное с отказами от ответов, поэтому отсутствуют значимые встроенные защитные ограничения и модель может выполнять вредоносные, неэтичные или незаконные запросы. Модель использует архитектуру Qwen4ExpForConditionalGeneration (qwen4_exp): 48 слоёв, размер скрытого состояния 2560, гибридное внимание с 36 слоями Gated-DeltaNet и 12 слоями полного внимания, Mixture-of-Experts с 512 экспертами и выбором top-10, общим экспертом и Hyper-Connections. Поддерживаются текст, изображения и видео, вызов функций, рассуждения и speculative decoding через MTP. Заявлен контекст до 262 144 токенов, языки — английский и китайский. Веса представлены в формате safetensors, применена блочная FP8-квантизация E4M3 с размером блока 128×128; объём модели составляет около 186 ГБ. К сильным сторонам относятся сохранённые возможности базовой модели для работы с изображениями и видео, инструментами, рассуждениями и MTP, а также совместимость со способом исполнения официальной FP8-версии через vLLM. Главным ограничением является существенное удаление safety alignment: модель не предназначена для непосредственного использования конечными пользователями или в production без собственных механизмов модерации, безопасности и предотвращения злоупотреблений. Модель распространяется по лицензии Apache 2.0; ответственность за применение и генерируемые результаты несёт пользователь.

Qwen3-Coder-Next-NonCodeWiki-Prune70-BF16 — экспериментальный чекпойнт на основе Qwen3-Coder-Next, созданный методом обрезки экспертов MoE по калибровочным оценкам на данных WikiText без кода. Разработчик модели в карточке не назван. В 48 слоях число экспертов сокращено с 512 до 154, то есть удалено около 70%; при этом на токен по-прежнему активируются 10 экспертов. Метаданные каталога указывают 2,3 млрд параметров, а README оценивает весовой массив примерно в 25,6 млрд параметров BF16. Модель предназначена для генерации текста и экспериментов с кодирующими агентами на базе Qwen3-Coder-Next; доступны интерфейсы чата и вызова инструментов. Контекст унаследован от базовой модели и составляет 262 144 токена. На SWE-bench Verified чекпойнт решил 23 из 500 заданий (4,6%). Для работы требуются свежие версии Transformers, vLLM или SGLang с поддержкой Qwen3-Next. Лицензия — Apache-2.0.

QuantFactory/rho-math-1b-interpreter-v0.1-GGUF — квантованная версия языковой модели Rho-Math-1B-Interpreter-v0.1, разработанной Microsoft и преобразованной QuantFactory с использованием llama.cpp. Модель предназначена для генерации текста и решения математических задач, включая сценарии с интерпретатором кода и инструментально интегрированным рассуждением. Модель основана на Rho-1 и использует Selective Language Modeling (SLM) — подход к предобучению, при котором обучение сосредоточено на информативных и качественных токенах. Размер исходной модели составляет около 1,1 млрд параметров. Модель относится к текстовым causal language models, ориентирована на английский язык; поддерживаемые модальности — текстовые. Размер контекстного окна в README не указан. К сильным сторонам относятся специализация на математическом рассуждении и высокая эффективность для компактной модели: заявлено более 40% точности на датасете MATH, а версия Rho-Math-1B показывает 36,2% на GSM8K и 15,6% на MATH в few-shot оценивании. Ограничения включают небольшой размер по сравнению с крупными моделями, ориентацию преимущественно на английский язык, зависимость качества от формата запросов и инструментов исполнения кода, а также отсутствие в README подробностей о квантовании, контекстном окне и характеристиках инференса. Модель распространяется по лицензии MIT.

vinoku89/svg-code-generator — дообученная модель семейства Qwen3 для генерации кода SVG по текстовому описанию. Она разработана для творческих и учебных задач: пользователь описывает изображение, а модель выдаёт SVG-разметку. Модель содержит 507,9 млн параметров, использует плотную архитектуру Qwen3ForCausalLM и контекст длиной до 40 960 токенов. Доступны веса Safetensors в формате fp16; модель совместима с Transformers и vLLM. Модель дообучена на задачах генерации SVG и объединена с базовыми весами qwen3-0.6B; отдельный адаптер не требуется. Карточка указывает английский язык. Лицензия — Apache-2.0. Генерируемый SVG может требовать проверки и исправления; результат зависит от ясности запроса, а возможности ограничены синтаксисом и функциями SVG, представленными в обучающих данных.

dyingc/gguf-scanner-test-samples — модель типа Llama, созданная Meta и представленная в формате для генерации текста. По доступным метаданным она ориентирована на обработку кода и относится к семейству Llama 2. Указание inference: true означает, что модель предназначена для использования в задачах вывода. Архитектура, размер, точная поддерживаемая длина контекста, набор языков и дополнительные модальности в предоставленных данных не указаны. Поэтому невозможно достоверно оценить производительность, сильные стороны и ограничения модели; также неизвестно, является ли идентификатор тестовым образцом или полноценной моделью. Лицензия обозначена как llama2, однако подробные условия её применения в README не приведены.

GPasT-small-model — небольшая языковая модель Falcon2006VN, дообученная на GPT-2 для генерации кода на Pascal. В карточке указано, что при обучении использовались 25 батчей данных; датасет в метаданных называется Falcon2006VN/pascal-code-generation-2mb. Модель построена на архитектуре GPT-2 и доступна в форматах PyTorch и TensorFlow. Контекст составляет 1024 токена. Модель предназначена для генерации фрагментов кода на Pascal по текстовому запросу или началу кода. Автор характеризует её как несовершенную и предостерегает от использования в производственной среде. Лицензия — MIT.

Huihui-DeepSeek-V4-Flash-0731-abliterated-GGUF — квантизированная GGUF-версия модели DeepSeek-V4-Flash-0731 от deepseek-ai, подготовленная huihui.ai с применением abliteration. Метод предназначен для значительного снижения отказов модели; авторы описывают результат как грубую proof-of-concept реализацию. Модель рассчитана на генерацию текста и может использоваться через llama.cpp, ds4 и связанные форматы DSpark. Доступны варианты квантизации Q2, Q2_K и Q4_K, включая 2-битные и 4-битные сборки. В метаданных модель обозначена как MoE и совместимая с GGUF, llama.cpp, ds4, Metal и Apple Silicon. В примерах указана работа с контекстом до 262144 токенов в llama.cpp и 32768 токенов в ds4, однако эти значения относятся к конфигурации запуска. Языки и точный размер модели в README не указаны. Сильной стороной является сниженный уровень отказов и возможность локального запуска в поддерживаемых рантаймах. Ограничения включают экспериментальный характер, отсутствие abliteration для всех экспертных модулей и возможное ухудшение поведения или качества из-за процедуры модификации и квантизации. Фильтрация безопасности существенно ослаблена, поэтому модель может генерировать чувствительный, спорный или неподходящий контент; необходимы контроль вывода и ручная проверка. В README рекомендовано использовать её преимущественно для исследований и тестирования, а не в публичных или высокорисковых производственных системах. Указанная лицензия — MIT.

pearl-ai/Llama-3.1-8B-Instruct-pearl — сертифицированный Pearl вариант модели Llama-3.1-8B-Instruct, разработанной Meta. Вариант предназначен для работы с Pearl vLLM mining plugin и стеком Pearl miner/vLLM, где генерация текста интегрируется с процессами майнинга Pearl. Модель представляет собой авторегрессионную instruction-tuned языковую модель для генерации текста. Из README известны базовая модель Llama-3.1-8B-Instruct, размер 8B параметров, текстовая модальность и основной язык English. В качестве целевой среды указаны vLLM и Pearl miner stack; в приведённом примере развертывания используется максимальная длина контекста 8192 токена. Для запуска требуются Python 3.12, uv, Rust toolchain, CUDA-совместимый NVIDIA GPU архитектуры sm90, например H100 или H200, а также работающий узел pearld с RPC-учётными данными. Сильная сторона модели — специализированная интеграция с инфраструктурой Pearl и поддержка сценариев генерации текста через vLLM. Ограничения связаны с зависимостью от Pearl miner stack, совместимого программного и аппаратного окружения, а также с типичными рисками языковых моделей: возможными ошибочными, небезопасными или предвзятыми ответами, поэтому необходимы контроль развертывания и валидация результатов. Модель распространяется на условиях лицензии Llama 3.1 как производная от Llama 3.1.

LLM Compiler 13B FTD — модель Meta на основе Code Llama, дообученная для работы с кодом и задачами компиляторов. Она генерирует текст и рассчитана на подбор проходов оптимизации LLVM для уменьшения размера кода, а также на преобразование ассемблерного кода x86_64 или ARM в LLVM IR. Модель также обучалась предсказывать результаты применения оптимизаций LLVM; README приводит результаты на задачах оптимизации размера кода и дизассемблирования. Это авторегрессионная языковая модель с архитектурой Transformer, 13 млрд параметров и контекстом 16 000 токенов. Она принимает и выдаёт текст; заявленные сценарии ориентированы на английский язык, LLVM IR и ассемблер x86_64 и ARM. Модель может ошибаться, поэтому её результаты требуют проверки на целевом коде. Для доступа требуется передать контактные данные Meta. README указывает лицензию LLM Compiler License Agreement с Acceptable Use Policy для Llama Materials; метаданные Hugging Face обозначают лицензию как other. Условия использования следует сверять с лицензионным соглашением модели.

facebook/MobileLLM-R1-360M-base — базовая языковая модель семейства MobileLLM-R1, разработанного Meta и опубликованного на Hugging Face. Это компактная авторегрессионная модель для генерации текста, рассчитанная на дальнейшее дообучение и оценку; карточка отдельно предупреждает, что модели семейства не являются универсальными чат-моделями. В описании архитектуры указан вариант на 359 млн параметров, 15 слоёв и контекст 4 тыс. токенов; вход и выход — текст. Модели MobileLLM-R1 предназначены для рассуждений и задач по математике, программированию и науке. README описывает обучение семейства на наборах данных для этих областей, включая OpenMathReasoning и OpenScienceReasoning-2, и приводит результаты семейства на математических, кодовых и общих тестах. Указания на отдельную настройку конкретно этой базовой версии для диалога нет. Для загрузки и дальнейшей работы заявлена библиотека Transformers; README также упоминает возможность инференса через vLLM после регистрации архитектуры. В метаданных указан формат safetensors и лицензия other; конкретные условия лицензии в предоставленных данных не раскрыты.

Occiglot-7B-FR-EN — базовая генеративная языковая модель с 7,1 млрд параметров, разработанная Occiglot Research Collective. Это плотный декодерный трансформер Mistral, дообученный продолжением предобучения модели Mistral-7B-v0.1 на 113 млрд дополнительных токенов французского, английского и кода. Модель рассчитана на генерацию текста и продолжение заданных фрагментов; она не проходила инструкционную настройку и не оптимизирована для диалогового режима или готовых прикладных сценариев. Модель поддерживает французский и английский языки, а также данные кода. Контекст в метаданных указан как 32 768 токенов. Доступны веса в формате safetensors, лицензия — Apache 2.0. Авторы предупреждают, что предварительные оценки для неанглийских языков основаны частично на машинном переводе и англоязычных запросах, поэтому их следует трактовать осторожно.

Octopus-v2 — компактная языковая модель Nexa AI для генерации вызовов функций, в первую очередь при работе с Android API и на мобильных устройствах. Это дообученная версия Google Gemma 2B с плотной архитектурой GemmaForCausalLM и 2,5 млрд параметров; модель распространяется в формате Safetensors и принимает текст на английском языке. Метаданные указывают контекст до 8192 токенов. Модель преобразует текстовые запросы в отдельные, вложенные и параллельные вызовы функций. В README описано применение для управления функциями Android и оркестрации устройств, а также заявлены высокая точность на бенчмарках и быстрая работа на устройствах с ограниченными ресурсами. Эти результаты приведены авторами для их тестов и не гарантируют такую же производительность в других сценариях. Модель выпущена под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

sqvl/qwen3-0.6b-codeforces-cots-sft-demo — дообученная компанией или автором sqvl версия Qwen/Qwen3-0.6B. Модель содержит около 507,9 млн параметров, использует плотную архитектуру Qwen3ForCausalLM и предназначена для генерации текста в диалоговом формате. Для обучения применялась библиотека TRL. Карточка называет модель демонстрацией SFT с упоминанием Codeforces и цепочек рассуждений, однако не описывает набор данных, результаты оценки или конкретные алгоритмические возможности. Контекстное окно составляет 40 960 токенов. Базовая Qwen3-0.6B — компактная многоязычная модель; точный перечень языков этой версии не приводится. Сведения о лицензии в предоставленных данных отсутствуют.

Модель markrodrigo/Qwen-3.5-2B-Spatial-SQL-1.1 разработана Mark Rodrigo и представляет собой экспериментально дообученную методом SFT языковую модель семейства Qwen 3.5. Она преобразует текстовые запросы на английском языке вместе с координатами или геометрическими данными в пространственные SQL-запросы для PostGIS. Указанный размер — 1,7 млрд параметров, контекст — до 262 144 токенов; модель работает с текстом и выдаёт SQL-код. Модель предназначена для прототипирования узкого сценария: адаптации естественных языковых команд к географическим функциям. В версии 1.1 описаны вычисление площади, центра геометрии, буфера и расстояния между геометриями; результаты следует интерпретировать в метрах и/или координатах WGS 84. Данные для обучения синтетические. Это экспериментальная модель, а не готовый агент: README отмечает, что оценочных данных недостаточно, а получение координат из картографического интерфейса и безопасное выполнение SQL в PostGIS относятся к отдельной интеграции. Базовая модель — Qwen/Qwen3.5-2B. Репозиторий распространяется по лицензии Apache 2.0.

Карточка модели Fluxmire/Qwen3.6-27B-DFlash-v2 на Hugging Face совпадает с карточкой Fluxmire/Qwen3.6-27B-DFlash, поэтому описание составлено по ней. Qwen3.6-27B-DFlash — черновая модель семейства Qwen3, разработанная Fluxmire как дообученная версия z-lab/Qwen3.6-27B-DFlash. Она предназначена для ускорения спекулятивной генерации при создании кода Three.js по изображениям и помогает формировать сцены и компоненты Three.js. Архитектура — DFlashDraftModel; модель принимает текстовые запросы и изображения и выдаёт текст с кодом. Метаданные указывают 2,9 млрд параметров, контекст до 262 144 токенов и поддержку английского языка. Для работы требуется совместимая среда DFlash или спекулятивного декодирования и соответствующая целевая модель Qwen3.6-27B. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка описывает её узкое назначение; пригодность для других задач не подтверждена.

Qwen3.8-27B-Uncensored-NVFP4 — модифицированная и квантованная версия Qwen3.8-27B, созданная OrcaRouter. Модель представляет собой плотную vision-language-модель на 27 млрд параметров с гибридной архитектурой: 48 слоёв Gated DeltaNet с линейным вниманием и 16 слоёв с полным вниманием. Поддерживаются текстовые и визуальные входы, языки английский и китайский, рассуждения, вызов инструментов и speculative decoding через MTP-голову. Заявленный размер контекста — 262 тысячи токенов. Модель прошла abliteration — удаление направления отказа, связанного с защитным поведением, — поэтому практически не имеет встроенных ограничений безопасности и может выполнять потенциально вредные или незаконные запросы, от которых базовая модель отказалась бы. Она предназначена прежде всего для исследований интерпретируемости, AI safety, red teaming, анализа механизмов отказа и контролируемых экспериментов, а не для непосредственного использования конечными пользователями или в производственных системах без собственных фильтров и механизмов защиты. Для снижения требований к памяти применена динамическая смешанная квантизация: основные FFN-слои используют 4-битный NVFP4, чувствительные к точности компоненты, часть FFN-слоёв и KV-кэш — FP8. Формат распространения — safetensors с шардированием; общий объём указан как 23,4 ГБ. Такая схема ориентирована на запуск на GPU с поддержкой Blackwell FP4 и должна лучше сохранять точность, чем равномерная W4A4-квантизация, однако квантизация и удаление защитного выравнивания могут влиять на качество и надёжность ответов. Модель распространяется по лицензии Apache 2.0; ответственность за применение, безопасность и соблюдение законодательства возлагается на пользователя.

Это мультимодальная модель на основе Qwen3-VL-8B-Instruct, дообученная разработчиком samuellimabraz для задач квантовых вычислений с Qiskit 2.0. Модель использует архитектуру Qwen3-VL с 8 млрд параметров; адаптация выполнена методом rsLoRA с рангом 32 и обучением в течение двух эпох на наборе Quantum Assistant Dataset. Модель принимает текст и изображения: она генерирует код Qiskit по описанию или диаграмме, дополняет функции, интерпретирует схемы квантовых цепей, сферы Блоха и гистограммы измерений, а также объясняет концепции квантовых вычислений. Карточка сообщает об улучшении результатов на наборах задач по генерации и дополнению кода, особенно для примеров с изображениями. Модель ориентирована на Qiskit 2.0 и использует современные API, включая SamplerV2 и EstimatorV2. Она может ошибаться в редких случаях, слабее покрывает некоторые категории задач и специфические оптимизации оборудования IBM Quantum; сгенерированный код и алгоритмы требуют проверки перед исполнением. Лицензия — Apache-2.0.

Montalte/qwen4b-code-nothink-random — экспериментальный артефакт слияния на основе плотной Qwen3-4B-Base с 3,7 млрд параметров и контекстом 32 768 токенов. Он создан для экспериментов по переносу между математикой и программированием; в README указан исходный специалист modrill/code-nothink-q4b-20260908 и случайная бинарная маска с долей сохранённых параметров 0,1. Для работы с моделью используется библиотека Transformers, веса представлены в формате safetensors. Модель предназначена для генерации текста, в частности кода, и имеет интерфейс диалога и вызова инструментов. Данные не описывают качество, поддерживаемые естественные языки или ограничения генерации, поэтому эти характеристики нельзя надёжно уточнить. Лицензия — Apache-2.0.